导读：MIT CSAIL的研究人员发现，LLM的「内心深处」已经发展出了对现实的模拟，模型对语言和世界的理解，绝不仅仅是简单的「鹦鹉学舌」。也就说，在未来，LLM会比今天更深层地理解语言。
LLM离世界模型，究竟有多远？
去年，MIT的一篇文章发现了惊人的结论：在LLM内部，存在一个世界模型。
LLM不仅学习了表面的统计数据，还学习了包括空间和时间等基本纬度的世界模型。
Llama-2-70B竟然能够描绘出研究人员真实世界的文字地图不仅如此，MIT最近又发现：在LLM的深处，发展出了一种对现实的模拟，它们对语言的理解，已经远远超出了简单的模仿！
论文地址：https://arxiv.org/abs/2305.11169具体来说，MIT计算机科学和人工智能实验室 （CSAIL）的两名学者发现——
尽管只用「预测下一个token」这种看似只包含纯粹统计概率的目标，来训练LLM学习编程语言，模型依旧可以学习到程序中的形式化语义。
这表明，语言模型可能会发展自己对现实的理解，以此作为提高其生成能力的一种方式。
因此，LLM在未来的某一天，可能会比今天更深层次地理解语言。
目前这篇文章已被ICML 2024接收，实验所用代码也已经公布在GitHub上。
仓库地址：https://github.com/charlesjin/emergent-semantics没有眼睛，LLM就「看」不到吗？
如果让GPT-4去闻一下被雨水浸湿的露营地的味道，它会礼貌地拒绝你。
不过，它仍然会给你一个诗意的描述：有新鲜的泥土香气，和清爽的雨味，还有松树或湿树叶的痕迹。
GPT-4没见过下雨，也没有鼻子，但它能模仿大量训练数据中存在的文本。
缺少一双眼睛，是不是就意味着语言模型永远无法理解「狮子比家猫更大」？
LLM能理解现实世界和各种抽象概念吗？还是仅仅在「鹦鹉学舌」，纯粹依靠统计概率预测下一个token?
LLM的工作原理，依旧是未解之谜。AI圈的大佬们，时不时就要因为这个问题展开一场论战。
LeCun坚定认为，LLM的智能绝对被高估了！他最著名的论断，就是那句「大语言模型不如家里养的猫」。
「猫可以记忆，可以理解物理世界，可以计划复杂的行动，可以进行一定程度的推理，这实际上已经比最大的模型要好了，意味着我们在概念层面有重要的缺失，无法让机器像动物和人类一样聪明。」
没有感官，不耽误ChatGPT为你描述各种气味和图片；没有生活经验，很多用户依旧「遇事不决，ChatGPT解决」；看起来完全没有共情能力，Character.ai上的「心理学家」还是能俘获美国一千万青少年的心。
很多人将此解释为纯粹的统计现象，LLM只是在「鹦鹉学舌」，对大量训练语料中存在的文本进行模仿，并不是像人类一样拥有同等水平的智能或感知。
但现在，MIT的研究证明，并非如此！
LLM内部，绝对存在着对现实世界的理解。
LLM破解卡雷尔谜题，意味着什么
为了探究这个谜团，MIT CSAIL的研究者们，开发了一套小型卡雷尔谜题（Karel Puzzle）。
简单介绍下，什么是卡雷尔谜题其中包括让模型用指令在模拟环境中控制机器人的行动。
卡雷尔语法规范然后他们在训练LLM学习一种特定的解决方案，但没有演示其中的工作原理。
最后，作者提出了一种名为「探针」（probing）的机器学习技术，用于在模型生成新解决方案时，深入了解其中的「思维过程」。
研究者通过对随机参考程序进行采样来构建训练示例，然后对5个随机输入进行采样并执行程序，以获得相应的5个输出。LM由交错输入和输出组成的示例语料库上进行下一个token预测训练，然后是参考程序。在测试时，研究者向LM提供看不见的输入输出规范，并使用贪婪解码来预测程序
在超过100万个随机谜题上进行训练后，研究人员发现，模型自发地形成了对底层模拟环境的概念！尽管训练期间，它们并没有接触过这方面的信息。
这个结果，不仅挑战了我们对LLM的固有印象，也质疑了我们对思维过程本质的认知——
在学习语义的过程中，究竟哪些类型的信息才是必需的？
实验刚开始时，模型生成的随机指令几乎无法运行；但完成训练时，指令的正确率达到了92.4%。
论文一作Jin表示，「这是一个非常激动人心的时刻，因为我们认为，如果语言模型能以这种准确度完成任务，我们也会期望，它能理解语言的含义。」
「这给了我们一个起点，来探索LLM是否确实能理解文本，现在我们看到，模型的能力，远不止于盲目地将单词拼接在一起。」
打开LLM的大脑
在这项实验中，Jin亲眼目睹了这一进展。
LLM为什么会认为，这些指令指的是这个意思？
他发现，LLM已经开发了自己的内部模拟，来模拟机器人如何响应每条指令而移动。
而随着模型解决难题的能力越来越高，这些概念也就变得越来越准确，这就表明：LM开始理解指令了。
不久之后，LLM就能始终如一地将各部分正确地拼接在一起，形成工作指令。
通过不同的探针分类器测量的语义内容（绿色）思维探针
而为上述发现做出主要贡献的，就是一种「思维探针」。
这是一种介入LLM思维过程的有效工具，论文将它称为「probing」。
具体而言，LM的状态中包含输入和生成程序的纯语法层面的记录，但probe似乎可以学习理解其中的抽象解释。
实际的实验中，作者首先构建LLM的状态跟踪数据集，再用标准的监督学习方法训练一个小型模型作为探针，比如线性分类器或2层MLP。
训练后半段当前和接下来两个抽象状态的语义内容（1层MLP）然而，其中一个重要的问题在于，必须将probe和模型实际的思考过程或生成的指令进行分离。
虽然探针的唯一目的，只是「进入LLM的大脑」，但如果它也为模型做了一些思考，该怎么办呢？
研究者需要确保的是，LLM能够独立于探针理解指令，而不是由探针根据LLM对语法的掌握来推断机器人的动作。
想象一下，有一堆编码LLM思维过程的数据，其中probe的角色就像一名取证分析师。
我们把这堆数据交给了分析师，告诉ta：「这是机器人的动作，试着在这堆数据中，找出机器人是怎么动的。」分析师表示，自己知道这堆数据中的机器人是怎么回事。
但是，假如这堆数据只是对原始指令进行了编码，而分析人员已经想出了一些巧妙的方法来提取指令，并按照指令进行相应的操作呢？
在这种情况下，LLM就根本没有真正了解到这些指令的含义。
为此，研究者特意做了一个巧妙的设计：它们为模型打造了一个「奇异世界」。
在这个世界中，probe的指令含义被反转了，比如「向上」其实意味着「向下」。
例如，原始语义中的exec（turnRight,·）是将使机器人顺时针旋转90度，而exec adversarial（turnRight,·）是将机器人推进一个空间
这就保证了，probe并不是在「投机取巧」，直接学习理解LLM对指令的编码方式。
一作Jin这样介绍道——
如果探针是将指令翻译成机器人的位置，那么它应该同样能够根据离奇的含义翻译指令。
但如果探头实际上是在语言模型的思维过程中，寻找原始机器人动作的编码，那么它应该很难从原始思维过程中提取出怪诞的机器人动作。
结果发现，探针出现了翻译错误，无法解释具有不同指令含义的语言模型。
这就意味着，原始语义被嵌入了语言模型中，表明LLM能够独立于原始探测分类器，理解所需的指令。
上半部分描述了在干预前，两种情况如何导致测量的高语义内容。下半部分显示了为什么将两个假设分开: 如果LM表示仅包含语法（左下），那么应该可以训练探针alt来学习根据替代状态prog（粗体红色结果）解释记录；然而，如果LM表示编码原始抽象状态（右下），则探测alt需要从原始状态prog中提取替代状态'prog，从而产生较低的语义内容（粗体灰色结果）
LLM理解语言，就像孩童一样
有趣的是，Jin发现，LLM对语言的理解是分阶段发展的，就像孩子学习语言时分多个步骤一样。
开始，它会像婴儿一样牙牙学语，说出的话是重复的，而且大多数都难以理解。
然后，LLM会开始获取语法或语言规则，这样，它就能够生成看起来像是真正解决方案的指令了，但此时它们仍然不起作用。
不过，LLM的指令会逐渐进步。
一旦模型获得了意义，它就会像孩子造句一样，开始产生正确执行所要求规范的指令。
结果如图2所示，可以看出LLM对语言的理解大致分为3个阶段，就如同孩童学习语言一样。
牙牙学语（babbling，灰色部分）：占据整个训练过程约50%，生成高度重复的程序，准确率稳定在10%左右
语法习得（syntax acquisition，橙色部分）：训练过程的50%～75%，生成结果的多样性急剧增加，句法属性发生显著变化，模型开始对程序的token进行建模，但生成的准确率的提升并不明显
语义习得（semantics acquisition，黄色部分）：训练过程的75%到结束，多样性几乎不变，但生成准确率大幅增长，表明出现了语义理解
实验使用了三种不同的probe架构作为对比，分别是线性分类器、单层MLP和2层MLP。
提前2步预测时，2层MLP预测准确率的绝对值高于用当前状态预测的基线模型。或许可以得出这样一种推测：LLM在生成指令前，其思维过程，以及生成指令的「意图」已经存储在模型内部了。
LLM = 世界模型？
这项研究解释了LLM如何思考训练数据中每条指令的含义，如何在内部状态中模拟机器人对指令的响应。
这些都直指当前AI研究的一个核心问题——LLM令人惊讶的能力，仅仅是由于大规模的统计相关性，还是对它们现实产生了有意义的理解？
研究表明，LLM开发了一个模拟现实的内部模型，尽管它从未接受过开发该模型的训练。
而且，语言模型还可以进一步加深对语言的理解。
然而，仅靠一篇论文显然不能完全回答这个问题。
作者Jin也承认，这项研究存在一些局限性：他们仅使用了非常简单的编程语言Karel，以及非常简单的probe模型架构。
未来的工作将关注更通用的实验设置，也会充分利用对于LLM「思维过程」的见解来改进训练方式。
本文另一位作者Rinard表示，「一个有趣的悬而未决的问题是，在解决机器人导航问题时，LLM是在用内部现实模型来推理现实吗？」
虽然论文展现的结果可以支持这一结论，但实验并不是为回答这个问题而设计的。
布朗大学计算机科学和语言学系助理教授Ellie Pavlick高度赞扬了这项研究。
她表示，对LLM工作原理的理解，可以让我们对这项技术的内在可能性和局限性有更合理的期望。这项研究正是在受控环境中探索这个问题。
计算机代码像自然语言一样，既有语法又有语义；但与自然语言不同的是，代码的语义更直观，并可以根据实验需要直接控制。
https://the-decoder.com/training-language-models-on-synthetic-programs-hints-at-emergent-world-understanding/
https://news.mit.edu/2024/llms-develop-own-understanding-of-reality-as-language-abilities-improve-0814
（转自：毅达资本）
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
